第五章 高級特性
5.1 切片(slice)
取一個list或者tuple的部分元素
(1)取前N個元素:L[0:N],代表[0,N),不含第N個元素
(2)如果第一個元素是0,還可以省略:L[:N]
(3)也可以從第i個元素開始:L[i:N]
(4)支持倒數切片:L[-2:] 最後兩個元素
(5)每隔5個取一個:L[::5]
(6)什麼都不寫,就可以原樣複製一個list:L[:]
(7)前11-20個數:L[10:20]
(8)後10個數:L[-10:]
(9)前10個數,每兩個取一個:L[:10:2]
(10) tuple也是一種list,區別是tuple不可變,tuple也可以用於切片操作,結果是tuple
(11) 字符串也看做是一種list,操作結果是字符串
【小結】
有了切片操作,很多地方循環就不再需要了。Python的切片非常靈活,一行代碼就可以實現很多行循環才能完成的操作。
5.2 迭代
(1)在Python中,迭代是通過for ... in來完成的
Python的for循環抽象程度要高於Java的for循環,因爲Python的for循環不僅可以用在list或tuple上,還可以作用在其他可迭代對象上。
list這種數據類型雖然有下標,但很多其他數據類型是沒有下標的,但是,只要是可迭代對象,無論有無下標,都可以迭代,比如dict就可以迭代:
>>> d = {'a': 1, 'b': 2, 'c': 3}
>>> for key in d:
print(key)
(2)默認情況下,dict迭代的是key。
如果要迭代value,可以用for value ind.values();
如果要同時迭代key和value,可以用for k, v in d.items()。
(3)由於字符串也是可迭代對象,因此,也可以作用於for循環:
>>> for ch in 'ABC':
print(ch)
(4)如何判斷一個對象是可迭代對象呢?方法是通過collections模塊的Iterable類型判斷:
>>> from collections import Iterable
>>> isinstance('abc', Iterable) # str是否可迭代
True
>>> isinstance([1,2,3], Iterable) # list是否可迭代
True
>>> isinstance(123, Iterable) # 整數是否可迭代
False
(5)如果要對list實現類似Java那樣的下標循環怎麼辦?Python內置的enumerate函數可以把一個list變成索引-元素對,這樣就可以在for循環中同時迭代索引和元素本身:
>>> for i, value in enumerate(['A', 'B', 'C']):
print(i, value)
0 A
1 B
2 C
上面的for循環裏,同時引用了兩個變量,在Python裏是很常見的,比如下面的代碼:
>>> for x, y in [(1, 1), (2, 4), (3, 9)]:
... print(x, y)
...
1 1
2 4
3 9
【小結】:
任何可迭代對象都可以作用於for循環,包括我們自定義的數據類型,只要符合迭代條件,就可以使用for循環。
5.3 列表生成式
1、列表生成式即List Comprehensions,是Python內置的非常簡單卻強大的可以用來創建list的生成式。
舉個例子,要生成list [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]可以用list(range(1,11)):
但如果要生成[1x1,2x2, 3x3, ..., 10x10]怎麼做?方法一是循環:
>>> L = []
>>> for x inrange(1, 11):
... L.append(x * x)
...
>>> L
[1, 4, 9, 16, 25, 36, 49, 64,81, 100]
但是循環太繁瑣,而列表生成式則可以用一行語句代替循環生成上面的list:
>>> [x * x for x in range(1, 11)]
[1, 4, 9, 16, 25, 36, 49, 64,81, 100]
寫列表生成式時,把要生成的元素x * x放到前面,後面跟for循環,就可以把list創建出來,十分有用,多寫幾次,很快就可以熟悉這種語法。
for循環後面還可以加上if判斷,這樣我們就可以篩選出僅偶數的平方:
>>> [x * x for x inrange(1, 11) if x % 2 == 0]
[4, 16, 36, 64, 100]
還可以使用兩層循環,可以生成全排列:
>>> [m + n for m in'ABC' for n in 'XYZ']
['AX', 'AY', 'AZ', 'BX','BY', 'BZ', 'CX', 'CY', 'CZ']
三層和三層以上的循環就很少用到了。
2、運用列表生成式,可以寫出非常簡潔的代碼。例如,列出當前目錄下的所有文件和目錄名,可以通過一行代碼實現:
>>> import os # 導入os模塊,模塊的概念後面講到
>>> [d for d in os.listdir('.')] # os.listdir可以列出文件和目錄
['.emacs.d', '.ssh', '.Trash', 'Adlm', 'Applications','Desktop', 'Documents', 'Downloads', 'Library', 'Movies', 'Music', 'Pictures','Public', 'VirtualBox VMs', 'Workspace', 'XCode']
for循環其實可以同時使用兩個甚至多個變量,比如dict的items()可以同時迭代key和value:
>>> d = {'x': 'A', 'y': 'B', 'z': 'C' }
>>> for k, v in d.items():
print(k, '=', v)
y = B
x = A
z = C
因此,列表生成式也可以使用兩個變量來生成list:
>>> d = {'x': 'A','y': 'B', 'z': 'C' }
>>> [k + '=' + v for k, v in d.items()]
['y=B', 'x=A', 'z=C']
3、最後把一個list中所有的字符串變成小寫:
>>> L = ['Hello','World', 'IBM', 'Apple']
>>> [s.lower() for sin L]
['hello', 'world', 'ibm','apple']
4、使用內建的isinstance函數可以判斷一個變量是不是字符串、數字等
5.4 生成器
1、在Python中,這種一邊循環一邊計算的機制,稱爲生成器:generator。
要創建一個generator,有很多種方法。第一種方法很簡單,只要把一個列表生成式的[]改成(),就創建了一個generator:
>>> L = [x * x for xin range(10)]
>>> L
[0, 1, 4, 9, 16, 25, 36, 49,64, 81]
>>> g = (x * x for xin range(10))
>>> g
<generator object<genexpr> at 0x1022ef630>
generator保存的是算法,每次調用next(g),就計算出g的下一個元素的值,直到計算到最後一個元素,沒有更多的元素時,拋出StopIteration的錯誤。
使用for循環,因爲generator也是可迭代對象:
>>> g = (x * x for x in range(10))
>>> for n in g:
... print(n)
所以,我們創建了一個generator後,基本上永遠不會調用next(),而是通過for循環來迭代它,並且不需要關心StopIteration的錯誤。
2、generator非常強大。如果推算的算法比較複雜,用類似列表生成式的for循環無法實現的時候,還可以用函數來實現。
斐波拉契數列用列表生成式寫不出來,但是,用函數把它打印出來卻很容易:
def fib(max):
n, a, b = 0, 0, 1
while n < max:
print(b)
a, b = b, a + b
n = n + 1
return 'done'
注意,賦值語句:
a, b = b, a + b
相當於:(a,b)=(b,a+b)
即t=(b,a+b)
a=t[0];b=t[1]
可以看出,fib函數實際上是定義了斐波拉契數列的推算規則,可以從第一個元素開始,推算出後續任意的元素,這種邏輯其實非常類似generator。
也就是說,上面的函數和generator僅一步之遙。
要把fib函數變成generator,只需要把print(b)改爲yield b就可以了:
def fib(max):
n, a, b = 0, 0, 1
while n < max:
yield b
a, b = b, a + b
n = n + 1
return 'done'
這就是定義generator的另一種方法。
如果一個函數定義中包含yield關鍵字,那麼這個函數就不再是一個普通函數,而是一個generator:
>>> f = fib(6)
>>> f
<generator object fib at 0x104feaaa0>
這裏,最難理解的就是generator和函數的執行流程不一樣。函數是順序執行,遇到return語句或者最後一行函數語句就返回。而變成generator的函數,在每次調用next()的時候執行,遇到yield語句返回,再次執行時從上次返回的yield語句處繼續執行。
def odd():
print('step 1')
yield 1
print('step 2')
yield(3)
print('step 3')
yield(5)
調用該generator時,首先要生成一個generator對象,然後用next()函數不斷獲得下一個返回值:
>>> o = odd()
>>> next(o)
step 1
1
>>> next(o)
step 2
3
>>> next(o)
step 3
5
>>> next(o)
Traceback (most recent call last):
File"<stdin>", line 1, in <module>
StopIteration
可以看到,odd不是普通函數,而是generator,在執行過程中,遇到yield就中斷,下次又繼續執行。執行3次yield後,已經沒有yield可以執行了,所以,第4次調用next(o)就報錯。
回到fib的例子,我們在循環過程中不斷調用yield,就會不斷中斷。當然要給循環設置一個條件來退出循環,不然就會產生一個無限數列出來。
【小結】
generator是非常強大的工具,在Python中,可以簡單地把列表生成式改成generator,也可以通過函數實現複雜邏輯的generator。
要理解generator的工作原理,它是在for循環的過程中不斷計算出下一個元素,並在適當的條件結束for循環。對於函數改成的generator來說,遇到return語句或者執行到函數體最後一行語句,就是結束generator的指令,for循環隨之結束。
請注意區分普通函數和generator函數,普通函數調用直接返回結果:
>>> r = abs(6)
>>> r
6
generator函數的“調用”實際返回一個generator對象:
>>> g = fib(6)
>>> g
<generator object fib at 0x1022ef948>
5.5 迭代器
1、我們已經知道,可以直接作用於for循環的數據類型有以下幾種:
一類是集合數據類型,如list、tuple、dict、set、str等;
一類是generator,包括生成器和帶yield的generator function。
這些可以直接作用於for循環的對象統稱爲可迭代對象:Iterable。
可以使用isinstance()判斷一個對象是否是Iterable對象:
>>> from collections import Iterable
>>> isinstance([], Iterable)
True
>>> isinstance({}, Iterable)
True
>>> isinstance('abc', Iterable)
True
>>> isinstance((x for x in range(10)), Iterable)
True
>>> isinstance(100, Iterable)
False
2、而生成器不但可以作用於for循環,還可以被next()函數不斷調用並返回下一個值,直到最後拋出StopIteration錯誤表示無法繼續返回下一個值了。
可以被next()函數調用並不斷返回下一個值的對象稱爲迭代器:Iterator。
可以使用isinstance()判斷一個對象是否是Iterator對象:
>>> from collections import Iterator
>>> isinstance((x for x in range(10)), Iterator)
True
>>> isinstance([], Iterator)
False
>>> isinstance({}, Iterator)
False
>>> isinstance('abc', Iterator)
False
3、生成器都是Iterator對象,但list、dict、str雖然是Iterable,卻不是Iterator。
把list、dict、str等Iterable變成Iterator可以使用iter()函數:
>>> isinstance(iter([]), Iterator)
True
>>> isinstance(iter('abc'), Iterator)
True
你可能會問,爲什麼list、dict、str等數據類型不是Iterator?
這是因爲Python的Iterator對象表示的是一個數據流,Iterator對象可以被next()函數調用並不斷返回下一個數據,直到沒有數據時拋出StopIteration錯誤。可以把這個數據流看做是一個有序序列,但我們卻不能提前知道序列的長度,只能不斷通過next()函數實現按需計算下一個數據,所以Iterator的計算是惰性的,只有在需要返回下一個數據時它纔會計算。
Iterator甚至可以表示一個無限大的數據流,例如全體自然數。而使用list是永遠不可能存儲全體自然數的。
【小結】
(1) 凡是可作用於for循環的對象都是Iterable類型;
(2) 凡是可作用於next()函數的對象都是Iterator類型,它們表示一個惰性計算的序列;
(3) 集合數據類型如list、dict、str等是Iterable但不是Iterator,不過可以通過iter()函數獲得一個Iterator對象。
(4) Python的for循環本質上就是通過不斷調用next()函數實現的,例如:
for x in [1, 2, 3, 4, 5]:
pass
實際上完全等價於:
# 首先獲得Iterator對象:
it = iter([1, 2, 3, 4, 5])
# 循環:
while True:
try:
# 獲得下一個值:
x = next(it)
except StopIteration:
# 遇到StopIteration就退出循環
break